【风-光发电功率预测方法分析7200字】

风-光发电功率预测方法分析目录TOC\o"1-3"\h\u619风-光发电功率预测方法分析 184411.1光伏功率相似日的选取方法 1196981.1.1数据归一化 2302851.1.2基于差异相似度与梯度相似度的相似日选取 2260731.2发电功率预测模型 4148591.2.1长短期记忆网络 5255691.2.2基于粒子群算法优化的LSTM神经网络 616141.3算例分析 10178351.1.1模型评价指标 10164721.1.2仿真环境配置 10245601.1.3光伏发电功率预测算例分析 10257231.1.4风力发电功率预测算例分析 13微电网中风力发电以及光伏发电具有一定的随机性与不确定性，需要预先对微电网中风力发电功率以及光伏发电功率进行预测，且其预测精度对于微电网能量优化调度的经济性具有重要意义。本章针对微电网中风力发电与光伏发电问题进行研究，首先，提出了一种基于差异相似度与梯度相似度的相似日选取方法，其次，将传统粒子群优化方法与相似日距离进行结合，对神经网络的参数初始化方法进行优化，最后，基于Pytorch框架搭建了长短期记忆神经网络发电功率预测模型，通过对模型进行分析，对测试集上的误差进行预测，然后做出相应的比对，从而进一步对模型进行分析，看其是否具有相应的可靠性。1.1光伏功率相似日的选取方法传统的光伏功率相似日选取方法大多仅考虑天气因素，而并没有考虑光照强度、温度以及湿度等因素，且其相似度的计算方法过于单一化，多数仅计算对应时刻光伏功率预测特征的差值，并没有对各特征变化的梯度信息进行考虑。基于上述分析，本文提出了一种基于差异相似度与梯度相似度结合的光伏功率相似日预测方法，对预测特征的数值差异与梯度差异进行综合考虑，以提升相似日聚类的效果。1.1.1数据归一化光伏功率预测中光照强度、气候因素等特征的量纲可能不一致，为避免特征量纲不同对预测模型训练造成的负面影响，采用以下方法对特征的量纲进行归一化处理，如下式所示：(3-1)式中：、分别为归一化后的特征值与原始特征值；、分别为该特征的最小值与最大值。得到光伏功率预测的结果后，按下式方法对光伏功率进行反归一化：(3-2)1.1.2基于差异相似度与梯度相似度的相似日选取（1）特征矩阵的构建本文的气象数据特征包括3部分，分别为温度特征、湿度特征以及太阳辐照度特征。将上述3维特征进行拼接，构建每日的光伏特征矩阵如下所示：(3-3)式中：为第日的光伏特征矩阵；为第日第维特征的第个时间维度的数据，其中取1,2,3分别代表温度特征、湿度特征以及太阳辐照度特征。（2）差异相似度的计算特征矩阵中各维度特征的差异可以表征历史日特征的距离，其差异越小代表历史日的相似程度越高。差异相似度的计算过程中，首先将待预测日的光伏特征矩阵与数据集中每一日的光伏特征矩阵进行逐元素相减操作，得到待预测日的差异矩阵。对差异矩阵的列元素进行加和操作，结合相似度度量方法可以得到差异化距离。的负指数即为差异相似度。上述计算公式如下所示：(3-4)（3）梯度相似度的计算差异相似度仅关注各特征的数值差异，而并未考虑各特征数值的变化趋势，基于此引入了梯度相似度对特征的变化程度差异进行表征。梯度相似度的计算过程如下所示：计算历史日与待预测日的梯度矩阵：(3-5)式中：表示第个时间维度同类型光伏特征数据的差值，的计算如下所示：(3-6)计算叠加修正余弦相似度差异值：将梯度矩阵拆分为组3维向量，分别计算每组历史日与待预测日对应向量的修正余弦相似度，由于修正余弦相似度的值域为[-1,1]，为与差异相似度进行统一，对其值进行投影映射，使结果映射到值域为[0,1]的区间内，并将对应的修正余弦相似度差异进行加和操作，得到叠加修正余弦相似度差异值，上述计算过程如下所示：(3-7)计算待预测日与历史日的梯度相似度：(3-8)（4）综合相似度的计算对于差异相似度以及梯度相似度，对二者进行加权相加得到综合相似度的计算公式如下所示：(3-9)式中，为相似度加权系数，本文将设为0.7。（5）相似日的确定对即将预测的那天的光伏功率情况进行计算，并对其特征进行分析，同时对前期的数据进行分析，并将二者进行比对，看其是否具有相似性，相似程度有多大。按照下降的顺序对其进行排列，将最前面的三个相似度最高的数据进行整理、分析，对后续神经网络预测模型的结果进行修正。1.2发电功率预测模型微电网中光伏发电功率以及风力发电功率的预测方法多基于机器学习模型以及深度学习模型，如SVR模型、BP神经网络等模型。然而，SVR模型的核函数优化较为复杂，且模型容易产生过拟合，模型的泛化能力不稳定，而BP神经网络属于静态模型，不能很好的学习光伏发电以及风力发电数据的序列变化规律，介于深度学习模型中长短期记忆网络出色的序列数据学习能力，本文提出了一种基于改进粒子群算法优化的LSTM网络预测方法，对微电网中光伏功率以及风功率进行预测，为后续微电网能量调度优化策略的提出提供基础。1.2.1长短期记忆网络（1）LSTM基本结构LSTM网络是SeppHochreiter提出的一种循环神经网络，是一种时序序列的神经网络模型，其以序列数据作为输入，通过设置多层级的神经元链式学习序列数据的潜在规律，当网络层次的数量太多的时候，传统循环神经网络就有出现压力，进一步出现“梯度消失”的问题，所以为了避免这些问题的出现，LSTM基本结构如图3-1所示。图3-1LSTM网络基本结构由图3-1可知，LSTM基本结构由遗忘门、输入门、输出门三部分组成，还包括记忆模块与输出模块。LSTM的输入输出逻辑如下式所示：(3-10)式中，、、、分别为遗忘门、输入门、输入单元、输出门的状态变量；为记忆变量；为输出变量；、、、、、、和分别为遗忘门、输入门、输出门相应的信息传递权重变量；、、分别遗忘门、输入门、输出门的信息传递偏置变量；表示向量按位相乘；为Sigmoid函数。LSTM网络中，输入门负责控制当前时刻的神经元状态更新到记忆变量的程度，若当前时刻的神经元状态重要性较高，则输入门控单元的值趋近于1；遗忘门负责控制前一时刻神经元的记忆变量被遗忘的程度，若前一时刻神经元记忆重要程度较低，则遗忘门控单元的值趋近于1；输出门控制当前时刻神经元状态更新到输出值的程度。经过上述设计，LSTM网络可以有效的对记忆信息与输出信息进行更新，能够学习到长时序序列数据中的变化规律，适合于处理光伏发电量的预测问题。（2）预测流程LSTM网络进行光伏功率预测以及风功率预测的流程如图3-2所示：图3-2LSTM网络训练流程1.2.2基于粒子群算法优化的LSTM神经网络通常情况下，LSTM等神经网络的参数初始化采用高斯初始化策略产生，但高斯初始化的随机性较大，可能导致LSTM网络在训练初期的收敛效果较差，且易使网络陷入局部最优，难以实现全局的优化。基于上述分析，需要对LSTM单元的连接权重初始化策略进行改进，以提升模型的稳定性与收敛效率。介于粒子群算法（ParticleSwarmOptimization，PSO）在全局搜索领域的优势，本文提出了一种基于粒子群算法优化的LSTM神经网络预测模型，记为PSO-LSTM预测模型，利用粒子群算法去搜索优化LSTM神经网络的初始化连接权重，使得LSTM的参数初始化更加合理，提升网络的稳定性以及收敛效率。（1）基于自适应惯性权重调整的PSO算法粒子群算法(particleswarmoptimization,PSO)是一种基于群体的随机优化算法。该算法从随机解出发，通过迭代寻找最优解，对一些比较复杂的、非线性的问题有很强的解决能力，能够在最短的时间内找到最佳答案，所以它有很多优点：对数据进行收敛的时候用的时间非常短、在整个范围内搜索数据的能力非常强、计算的时候能自动对数据进行筛选使得计算量最小、使用起来有可操作性。国内外众多研究学者对粒子群算法做了很多改进和创新，提出了一系列改进的PSO算法，Y.Shi和R.C.Berhart认为惯性权值线性递减可以用在其中，来提高计算的速率，A.Ratnawecra认为可以在线性调节学习因子的基础上对其进行改良。为了使得粒子群算法更高效地寻找LSTM神经网络的最优初始化连接权重，本文采用的是自适应惯性权重方法，在此基础上进行的粒子群算法。图3-3基于自适应惯性权重的PSO算法流程具体方法如下：设定粒子i的适应值为fi，全局最优适应值为fp，粒子群的平均适应值为，将优于粒子群平均适应值favg的适应值求平均且设为，并定义用于评价粒子群的早熟收敛程度，当∆越小，说明粒子群越趋向于尽早收敛。然后根据fi、favg、将粒子群分为三类子群体并分别进行不同的自适应惯性权重因子调整：1）fi优于(3-11)2）fi优于favg但劣于，则惯性权重不变。3）fi劣于favg：(3-12)不同的粒子群体拥有不同的特征，所以它们的惯性权重是各有差异的，那么在对其因子进行调整的过程中所采取的手段也是不一样的，在上文中主要是对三类不同的群体提出了不同的调整方案。第一类粒子是处于最理想的状态，其几乎百分之百就是整体的最佳答案，所以在对其进行赋值的时候，惯性权重值的最小的，这样其在搜索范围内的状态是最佳的，能够促使数据回收的速度进一步加快；第二类粒子是最常见的，是比较常规性的，其无论是在小范围内，还是在整个范围内，其搜索起来的效果都比较好，所以其惯性权重值保持不变；第三类粒子所处的状态并不理想，需要对其惯性权重值进行调整才能进一步使用，调整的方法主要采用的是自适应调整遗传算法的控制参数方法，式中的k1、k2为控制参数，其中k1主要是对粒子惯性权重因子的最大值进行控制(通常设定为大于1的常数系数)，而k2主要用来控制此类粒子惯性权重因子的调控能力。当计算完成的时候，若粒子是处于不集中的状态，那么∆就会比较大，由式(3-12)减小惯性权重w来进一步巩固在小范围内进行搜索，从而使整体能够向中间集中；如果粒子是分布的并不分散，(例如算法陷入局部最优)，那么∆就会比较小，通过式(3-12)来增大惯性权重w，使粒子不会在小范围内受到相应的约束，从而进一步使其在整个范围内搜索数据的能力增强，同时还拥有很强的鲁棒性，这还不会使小范围成熟的问题出现。（2）PSO-LSTM预测算法流程图3-4PSO优化的LSTM网络训练流程基于粒子群算法优化的LSTM神经网络预测模型的流程图如图3-4所示。由图3-4可知，首先初始化LSTM网络的神经元连接权重，再利用粒子群算法对初始化权重进行迭代优化。粒子群算法中，首先初始化各粒子的位置与速度矢量，再对每个粒子的适应度进行求解，通过比较迭代前后粒子的适应度与个体极值、群体极值的关系，对粒子群极值进行更新，紧接着对每一个粒子所处的位置和运动的快慢展开刷新和替换，在计算更新快慢和提前估计的多少的关系上确定是否满足粒子群优化结束条件，当粒子群算法流程结束后，得到优化后的LSTM初始化权重，再利用待测日数据以及与待预测日匹配的相似日数据对LSTM网络进行优化训练，得到最终的光伏功率预测模型。1.3算例分析1.1.1模型评价指标微电网中功率预测是指上数据回归问题，为探究预测模型在实际数据中预测的效果，本章选用平均绝对百分比误差（Meanabsoluteprecenterror，MAPE）、均方根误差（Rootmeansquareerror，RMSE）以作为对功率大小进行提前估算的评价指标。二者的计算公式分别如下式所示：(3-13)(3-14)式中：为功率数据集中样本的总数量；，分别为第个样本的功率出力实际值与功率出力预测值。1.1.2仿真环境配置本文LSTM模型以及粒子群算法的编程语言选用Python语言，基于Pytorch与Scikit-learn等开源框架搭建预测模型进行仿真对比分析，本文的仿真实验环境如表3-1所示。表3-1仿真环境配置环境配置操作系统Ubuntu5.4.0显卡Nvidia-GTX-1060深度学习框架Pytorch1.5.0、Scikit-learn0.21.2编程语言Python1.7.31.1.3光伏发电功率预测算例分析本文选取广东省某微电网内光伏发电自2019年1月1日至2020年12月31日的光伏发电功率数据以及温度、气象数据作为光伏功率预测数据集，对本文所提模型的有效性进行验证。取该地区2020年6月1日、9月1日以及12月1日共3日作为验证集，其余数据作为训练集对基于粒子群算法优化的LSTM神经网络模型进行训练。其中，每日的数据包含光伏功率出力数据、环境温度、环境湿度以及太阳辐照度数据，时间刻度为15min，因此每日共包含96个数据点。由1.1节所述方法计算预测日与训练数据集中的历史日的综合相似度，并按照从大到小的顺序依次进行排列，将前面三天的数据筛选出来，作为准备预测那天的相似日集合。得到验证集各日的相似日计算结果如表3-2所示。表3-2待预测日相似日与综合相似度6月1日日期2020.4.132020.7.42019.6.24综合相似度0.9230.9210.9209月1日日期2020.8.72019.10.152019.9.25综合相似度0.9170.9150.91512月1日日期2020.11.242020.12.72020.11.25综合相似度0.9190.9190.917由于相似日各时刻的光伏功率出力值与待预测日对应时刻的光伏功率出力值具有一定的相似性，且相邻2天对应时刻的光伏功率出力也具有一定的相似性，基于此，构建光伏功率预测中LSTM网络的输入向量如表3-3所示。由表3-3中信息可知，LSTM神经网络的输入向量共包含26维向量，分别为时间因素特征、气候因素特征与相似日特征。其中，时间因素包含季节、年、月以及日特征；气候因素包含温度、湿度以及辐照度特征；相似日因素包含了三个相似日以及前一日对应时刻以及之前45min内的光伏出力值，以及前时刻前15、30、45min的光伏功率出力值。预测方式采用滚动预测，即先预测待预测日0:00时刻的光伏出力值，再将其当作已知量对待预测日0:15时刻的光伏出力值进行预测，后续时刻的预测方法同理。表3-3光伏功率预测特征向量影响因素特征特征描述时间因素季节1-4分别代表春、夏、秋、冬年1-2分别代表2019年与2020年月1-12分别代表1月份至12月份日1-31分别代表1日至31日气候因素环境温度当前时刻的气温值（°C）相对湿度当前时刻的相对湿度值（RH%）太阳辐照度当前时刻的辐照度（W/㎡）相似日因素当前时刻前15min的光伏出力值当前时刻前30min的光伏出力值当前时刻前45min的光伏出力值第一个相似日对应时刻的光伏出力值第一个相似日对应时刻前15min的光伏出力值第一个相似日对应时刻前30min的光伏出力值第一个相似日对应时刻前45min的光伏出力值第二个相似日对应时刻的光伏出力值第二个相似日对应时刻前15min的光伏出力值第二个相似日对应时刻前30min的光伏出力值第二个相似日对应时刻前45min的光伏出力值第三个相似日对应时刻的光伏出力值第三个相似日对应时刻前15min的光伏出力值第三个相似日对应时刻前30min的光伏出力值第三个相似日对应时刻前45min的光伏出力值前一日对应时刻的光伏出力值前一日对应时刻前15min的光伏出力值前一日对应时刻前30min的光伏出力值前一日对应时刻前45min的光伏出力值PSO-LSTM神经网络的参数设置中，因为输入向量的维度为26维，因此LSTM的输入神经元设置为26。LSTM的隐藏层units数设置为32，层数设置为2层，优化器设置为Adam梯度优化，批样本数量设置为32，学习率设置为0.001，L2正则化系数设置为0.001，最大迭代次数设置为200次。为验证本文所提模型在光伏功率预测领域的优势，本文引入SVR预测算法以及未经遗传算法优化的LSTM算法与本文所提模型在相同超参数设置下的预测效果进行对比，得到测试集第一日的预测效果对比如图3-5所示。图3-5光伏功率预测各模型对比由图3-5可知，与传统SVR模型相比，LSTM序列网络的预测效果更好，且预测误差的波动性更低；此外，经过粒子群优化初始化参数后，光伏功率预测的效果有进一步的提升，即本文所提PSO-LSTM模型所获得的预测曲线其更有优势，表现在其与现实使用中的光伏出力曲线更加的吻合，在进行提前估算的时候，其准确度更高。计算各预测模型在光伏功率预测测试集上的误差对比结果如表3-4所示。由表3-4中数据可知，SVR模型误差超过5%与15%的比例均较高，且MAPE与RMSE的偏差也较高；相较于SVR模型，LSTM序列神经网络误差超过5%的预测点比例下降了22.85%，误差超过15%的比例下降为0%，极大的提升了预测的稳定性，此外MAPE值下降了40.34%，有效的提升了预测的精度；而对于PSO-LSTM网络，由表可知用PSO对LSTM参数进行优化后，误差超过5%的预测点比例较未优化相比下降了39.26%，显著提升了模型的预测稳定性，而对于MAPE指标，PSO优化后较未优化时下降了26.61%，显著提升了模型的预测精度。表3-4光伏功率预测误差对比预测模型误差超过5%的预测点比例误差超过15%的预测点比例MAPERMSESVR36.45%10.41%0.04669.981LSTM28.12%0.00%0.02786.595PSO-LSTM17.08%0.00%0.02045.2471.1.4风力发电功率预测算例分析本文选取广东省某微电网内风力发电自2020年10月1日至2020年12月31日的风力发电功率数据作为风力发电功率预测数据集，时间尺度设置为15分钟，即一个历史日包含96个数据点。将12月31日共96个数据点作为测试集，其余数据作为训练集，对基于粒子群算法优化的LSTM神经网络模型进行训练。其中，每日的数据包含风力发电功率、测风塔10m、30m、50m、70m高度的风速以及轮毂高度风速共6维数据，基于相似日的思想，构建包含当前日前15min、30min、45min的风功率以及前一日同一时刻以及前15min、30min、45min的风功率共13维向量作为风力发电功率预测输入向量，预测方式采用滚动预测，即先预测待预测日0:00时刻的风功率，再将其当做已知量对待预测日0:15时刻的风功率进行预测，后续时刻的预测方法同理。风功率预测中PSO-LSTM网络的参数设置如下：由于输入向量的维度为13维，因此LSTM的输入神经元设置为13。LSTM的隐藏层units数设置为16，层数设置